بهبود پرداخت تسهيلات با در نظر گرفتن انضباط مالي و حداكثر سودآوري در شرايط عدم اطمينان
الموضوعات :رویا چشمی خانی 1 , محمد علی افشار کاظمی 2 , عباس طلوعی اشلقی 3 , عزت الله اصغرزاده 4
1 - رشته مدیریت صنعتی، دانشگاه آزاد اسلامی واحد علوم و تحقیقات، تهران، ایران
2 - رشته مدیریت صنعتی ، دانشگاه آزاد اسلامی واحد علوم و تحقیقات، تهران، ایران
3 - استادتمام رشته مدیریت صنعتی، دانشگاه آزاد اسلامی واحد علوم و تحقیقات، تهران، ایران
4 - رشته مدیریت صنعتی ، دانشگاه تهران، تهران، ایران
الکلمات المفتاحية: تسهیلات, داده کاوی, خوشه بندی, یادگیری عمیق, شبکه عصبی CNN, شبکه عصبی CNN-LSTM,
ملخص المقالة :
اعطاي تسهيلات، بخش مهمي از عمليات هر بانك را تشكيل مي‌دهد و اين قسمت از فعاليتهاي بانكي از لحاظ اقتصادي حائز اهميت است. بانك‌ها با عمليات اعتباري خود موجبات انتقال منابع را از اشخاصي كه مستقيماً در بانك سرمايه‌گذاري كرده‌اند به كساني كه به پول نياز دارند فراهم مي‌كنند و اين اشخاص با بازپرداخت اقساط خود باعث مي‌شوند گروهي ديگر از مردم بتوانند از اين منابع استفاده كنند. عدم بازپرداخت به‌موقع تسهيلات باعث راكد شدن منابع بانك و در بلندمدت باعث ركود اقتصادي كشور مي‌شود. نظارت بر نحوه‌ی صحیح تخصیص منابع و بهداشت اعتباری امری بسیار مهم می‌باشد زیرا در صورت تخصیص نامطلوب منابع بانک و پرداخت بی‌اصول تسهیلات، بانک‌ها توان بازپرداخت سپرده‌های سپرده‌گذاران را نداشته و با ورشکستگی مواجه خواهند گردید. با بررسي پژوهش‌هاي سالهاي اخير در زمينه بانكداري مشخص گرديد اكثر پژوهش‌ها تركیب بهينه‌ی سبد سرمايه‌گذاري بيشتر در بازار سرمايه پرداخته و كمتر پژوهشگري به بحث و بررسي تركيب بهينه در بازار پولي توجه نموده‌است. بيشتر پژوهش‌هایی كه از روشهاي تحقيق در عمليات و آماري استفاده‌گردیده در‌خصوص مسائل صنعتي بوده و كمتر در مسائل مالي از بحث هاي تحقيق‌در‌عمليات استفاده شده است. در پرتفوي بهينه تركيب تسهيلات يا سرمايه‌گذاري‌ها اكثراً از الگوريتم ژنتيك بهره‌مند شده وكمتر از ديگر روشهاي فازي در شرايط عدم‌اطمينان استفاده شده‌است. بنابراین در اين پژوهش به مدلسازي بهبود پرداخت تسهيلات با استفاده از مدلسازی شبکه‌های عصبی کانولوشنی و CNN-LSTM ، پرداخته‌شده‌است.
اصغر پور، حسین، (۱۳۸۸). اثر بي ثباتي سياسي بر رشد اقتصادي ايران: رهيافت غيرخطي APARCH .
خواجوی، شکراله ، غیوری مقدم، علی، (۱۳۹۲). بررسی کاربرد تحلیل پوششی داده‌ها در مقایسه و ارزیابی عملکرد واحد‌های تجاری.
دامی، سینا ، خیری، فرشته،(۱۳۹۷). شناسایی تقلب در پرداخت کارت های اعتباری با شبکه عصبی حافظه طولانی کوتاه مدت (LSTM). سومین کنفرانس ملی فناوری در مهندسی برق و کامپیوتر
راعی، رضا، فرهادی، روح الله، شیروانی، امیر، (۱۳۹۰). رابطه در گذر زمان بین بازده و ریسک: شواهدی از الگوی قیمت گذاری دارایی سرمایه ای در گذر زمان ICAPM، فصلنامه چشم انداز مدیریت مالی دانشگاه شهید بهشتی، تهران.
شریف فر، امیر، خلیلی عراقی، مریم، رئیسی وانانی، ایمان، فلاح شمس، میر فیض،(۱۴۰۱). کاربرد معماری‌های یادگیری عمیق در پیش‌بینی قیمت سهام (رویکرد شبکه عصبی پیچشی CNN)، دوره ۱۰، شماره ۳، صفحه ۱-۲۰.
صالحی، فهمیه، صالحی، مجتبی،اسکندری، میثم(۱۳۹۳). بهینه سازی سبد تسهیلات اعطایی موسسات مالی با استفاده از برنامه ریزی ریاضی و الگوریتم ژنتیک (مطالعه موردی بانک تجارت)، فصلنامه توسعه‌ی مدیریت پولی و بانکی، دوره۲، شماره۳.
عسگر زاده، مجید،و دیگران، (۱۳۸۶). بررسی ریسک عملیاتی بانکداری الکترونیکی یکپارچه و ارائه‌ی راهکارهای کاهش مخاطرات آن، اولین کنفرانس جهانی بانکداری الکترونیک.
References
Ansari, A., Riasi,A., (2016). Customer Clustering Using a Combination of Fuzzy C-Means and Genetic Algorithms.
Adnan et al, R.M., (2020). Least square support vector machine and multivariate adaptive regression splines for streamflow prediction in mountainous basin using hydro-meteorological data as inputs,J. Hydrol.
Armantier, O., Ghysels, E., Sarkar, A., Shrader, J., (2015). Discount window stigma during the 2007-2008 financial crisis. J. Financ. Econ. 118 (2), 317–335.
Al Machot,F. et al., (2019). A deep-learning model for subject-independent human emotion recognition using electrodermal activity sensors.
Bock, H., (2007). Clustering methods: A history of k-means algorithms Selected Contributions in Data Analysis and Classification, . 161-172.
Bhandari, P., (2022). Missing Data | Types, Explanation, & Imputation. Revised on November 11, 2022.
Bernanke, B., ( 2009). The federal reserve's balance sheet: an update. In: A Speech at the Federal Reserve Board Conference on Key Developments in Monetary Policy, Washington, D.C.
Bose, I., Chen, X., (2015). Detecting the migration of mobile service customers using fuzzy clustering.
Chen, X.D., (2017). Analysis and research of common clustering algorithm in data miningDigital Technol. Appl., pp. 151-152.
Du S., Li J., (2019). Parallel processing of improved knn text classification algorithm based on Hadoop. In: 2019 7th International Conference on Information, Communication and Networks (ICICN), 167-170.
Dormann et al, C.F., (2013). Collinearity: a review of methods to deal with it and a simulation study evaluating their performance.
Estivill-Castro V., Houle M.E., (2001). Robust distance-based clustering with applications to spatial data mining,Algorithmica, 30 (2) , 216-242.
Guo,G., Wang, H., Bell, D., Greer, Y., (2003). KNN model-based approach in classificationOTM Confederated International Conferences on the Move to Meaningful Internet Systems, 986-996.
Howell, E., (2021). 4 Techniques To Deal With Missing Data in Datasets, Simple methods that can nullify the effects of missing values, Published in Towards Data Science, Sep 17.
Huang, X.Y. , (2018). An improved KNN algorithm and its application in real-time car-sharing prediction., Dalian University of Technology, Daian, China ,M.S. thesis.
Huang et al., Huang J., Wei Y., Yi J., Liu M., (2018). An improved KNN based on class contribution and feature weighting. In: 2018 10th International Conference on Measuring Technology and Mechatronics Automation (ICMTMA), 313-316.
Henderi, T., Wahyuningsih, T., Rahwanto, E., (2021). ComparisonofMin-MaxnormalizationandZ-ScoreNormalizationintheK-nearest neighbor (KNN) Algorithm to The Accuracy of Type Breast Cance, International Journal of Informatics and Information SystemVol.4,NO.1,13-20.
Khosroyani, M., Heydarpoor, F., Yaghoob-nezhad, A., & Poorzamani, Z., (2022). An artificial neural network model for predicting the liquidity risk of Iranian private banks. Int. J. Nonlinear Anal. In Press, 1–11 ISSN: 2008-6822 (electronic); http://dx.doi.org/10.22075/ijnaa.2022.29118.4071. [In Persian].
Khalila,S, Amritb, CH, Kocha, T, Dugundjia, E.,(2021). Forecasting public transport ridership: Management of Information system by using CNN and LSTM Architecture, The 12th International Conference on Ambient Systems, Networks and Technologies (ANT).
Krizhevsky, A., Sutskever, I., Hinton, G.E., )2017(. Imagenet classification with deep convolutional neural networks. Communications of the ACM 60, 84 – 90. URL: https://search-ebscohost-com.proxy.uba.uva.nl:2443/login.aspx?direct=true&db=buh&AN= 123446102&site=ehost-live&scope=site.
Mohammadi, N., Zangeneh, M., (2016). Customer credit risk assessment using artificial neural networksIJ Information Technology and Computer Science, 8 (3) , 58-66.
Ngufor, C., Van Houten, H., Caffo, B.S., Shah, N.D., McCoy, R.G.,(2019). Mixed Effect Machine Learning: a framework for predicting longitudinal change in hemoglobin A1cJ. Biomed. Inform, 56-67
Ole Hjelkrem.L , Eilif de Lange.P., (2023). Explaining Deep Learning Models for Credit Scoring with SHAP: A Case Study Using Open Banking Data, J. Risk Financial Management., 16(4), 221; https://doi.org/10.3390/jrfm16040221.
Oquab, M., Bottou, L., Laptev, I., Sivic, J., (2014). Learning and Transferring Mid-Level Image Representations using Convolutional Neural Networks, in: IEEE Conference on Computer Vision and Pattern Recognition, Columbus, OH, United States. URL: https://hal.inria. fr/hal-00911179. conference version of the paper.
